Exemplar-SVM 论文解析 ICCV2011

1、思想来源

作者发文章时最火的目标识别方法莫过于DPM，但DPM效率慢，所以作者提出了E-SVM来进行目标识别。简单来说，就是一个模板匹配的方法，只不过这里有好多个模板（exemplar）。如下图所示，作者认为正样本由于形变等原因差异很大，无法参数化，每个都应该自立门户形成exemplar-svm，所以索性就不考虑正样本的共性，这样就能很好的应对形变。

 

与DPM区别：DPM是将所有的正样本统一对待，最终训练出一个判别曲线，当样本形变较大，或者负样本变化大的时候，判别曲线会变的很复杂，进而精确度下降。鉴于此，作者就想寻求这样一种方法：用参数化的方式表示负样本（训练的E-svm）,用非参数的方法表示正样本（exemplar）。

2、与knn区别

knn计算量大，每个样本都要计算与其它样本的距离，而且每个类别的中心是经过学习得到的。

e-svm：每训练一个e-svm只需要一个正样本，负样本取自其它类别图片。最终的输出结果只需要结合所有的e-svm输出即可。

作者的源码是在mac上编译的，网上已经有人改成windows，大家可以自行下载使用。

欢迎交流！